[论文解读] DRF Codes: Deep SNR-Robust Feedback Codes

Mahdi Boloursaz Mashhadi, Denız Gündüz+2 more|arXiv (Cornell University)|Dec 22, 2021

Advanced Wireless Communication Techniques被引用 8

一句话总结

本文提出了一种基于深度神经网络的深信道编码方案——深度SNR鲁棒反馈（DRF）码，适用于存在噪声输出反馈的衰落信道。该方案采用基于LSTM的编码器，利用历史信道输出；采用具备SNR感知注意力机制的双向LSTM解码器，实现了在广泛SNR范围内的优异误码率性能和鲁棒性，优于先前的DNN基编码方案，并在多播和衰落场景中实现了反馈的高效利用。

ABSTRACT

We present a new deep-neural-network (DNN) based error correction code for fading channels with output feedback, called deep SNR-robust feedback (DRF) code. At the encoder, parity symbols are generated by a long short term memory (LSTM) network based on the message as well as the past forward channel outputs observed by the transmitter in a noisy fashion. The decoder uses a bi-directional LSTM architecture along with a signal to noise ratio (SNR)-aware attention NN to decode the message. The proposed code overcomes two major shortcomings of the previously proposed DNN-based codes over channels with passive output feedback: (i) the SNR-aware attention mechanism at the decoder enables reliable application of the same trained NN over a wide range of SNR values; (ii) curriculum training with batch-size scheduling is used to speed up and stabilize training while improving the SNR-robustness of the resulting code. We show that the DRF codes significantly outperform state-of-the-art in terms of both the SNR-robustness and the error rate in additive white Gaussian noise (AWGN) channel with feedback. In fading channels with perfect phase compensation at the receiver, DRF codes learn to efficiently exploit knowledge of the instantaneous fading amplitude (which is available to the encoder through feedback) to reduce the overhead and complexity associated with channel estimation at the decoder. Finally, we show the effectiveness of DRF codes in multicast channels with feedback, where linear feedback codes are known to be strictly suboptimal.

研究动机与目标

• 解决DNN基编码方案对SNR失配高度敏感的关键局限，该问题限制了其在时变无线环境中的部署。
• 克服先前DNN编码方案在单一SNR下训练后应用于不同SNR条件时出现的不稳定性和性能退化问题。
• 通过允许编码器利用瞬时衰落信道状态信息，实现对反馈的高效利用，从而降低解码复杂度。
• 将DNN基编码方案的应用范围扩展至多播场景，其中线性反馈码被证明严格次优。
• 开发一种训练框架，提升在不同SNR区域的泛化能力和鲁棒性，而无需为每个SNR配置独立模型。

提出的方法

• 编码器使用长短期记忆（LSTM）网络，基于消息和在发射端观测到的过去前向信道输出，生成校验符号。
• 解码器采用两层双向LSTM结构，并结合SNR感知注意力机制，以动态适应不同信道SNR条件。
• 在模型训练过程中应用课程学习法并结合批量大小调度，以稳定学习过程并提升SNR鲁棒性。
• 损失函数定义为解码器各层二元交叉熵损失之和，以实现误码纠正性能的联合优化。
• 通过修改编码器以接收来自多个接收机的反馈，并训练解码器以同时处理多路输出流，将框架推广至多播信道。
• 频谱效率计算公式为 $\mathrm{SE}_{r} = \frac{K \times (1 - \mathrm{BLER}_{r})}{L}$，其中 $K$ 为比特数，$L$ 为码块长度，$\mathrm{BLER}_{r}$ 为接收机 $r$ 的块错误率。

实验结果

研究问题

• RQ1 能否在不重新训练或切换模型的前提下，使DNN基编码方案对广泛SNR范围具备鲁棒性？
• RQ2 DNN编码器在多大程度上能有效利用来自反馈的瞬时衰落信道状态信息，以降低解码复杂度和开销？
• RQ3 在反馈多播信道中，DNN基编码方案在可靠性方面能提升多少？此类场景中线性码已被证明次优。
• RQ4 采用批量大小调度的课程学习是否能显著提升DNN基反馈编码的SNR鲁棒性和收敛稳定性？
• RQ5 多个接收机之间前向信道噪声序列的相关性如何影响联合DNN基多播编码的性能？

主要发现

• 在码率 $r = 50/153$、码块长度 $L = 50$ 的AWGN信道中，DRF码在存在反馈的情况下，其块错误率（BLER）显著低于先前的DNN基编码方案（如Deepcode和DEF码）。
• SNR感知注意力机制使同一训练好的DRF码能够在广泛SNR范围内保持高可靠性，无需使用多个针对特定SNR的模型。
• 在双接收机多播场景中，当正向噪声序列呈正相关（$\epsilon = 0.9$）时，DRF码的频谱效率接近理论极限值 $50/153 \approx 0.3268$。
• 当正向噪声序列无相关性（$\epsilon = 0$）时，性能下降，最大性能损失出现在噪声完全独立的情况下，原因在于编码器需在两个接收机的纠错能力之间进行折衷。
• 当两个正向噪声序列呈负相关（$\epsilon = -0.9$）时，频谱效率进一步下降，表明在反相关噪声下编码难度增加。
• DRF码框架可推广至多于两个接收机的场景，通过修改编码器以处理来自多个接收机的反馈，并训练解码器同时处理多路输出流。